Resumo Técnico: DELENDA – Epidemiologia Diferenciável para Estimativa de Estados Latentes e Análise de Decisão Não Linear

Definição do Problema

O ajuste subnacional da malária (SNT - Subnational Malaria Tailoring) é fundamentalmente um problema de alocação ao nível populacional: determinar quais intervenções (ex: redes mosquiteiras tratadas com inseticida [ITNs], quimioprevenção sazonal da malária [SMC], pulverização intradomiciliar residual [IRS] e vacinas]) devem ser priorizadas, em quais níveis de cobertura e sob restrições específicas de orçamento e incerteza.

Os fluxos de trabalho atuais enfrentam uma dicotomia nas abordagens de modelagem:

1. Modelos simples (ex: Ross–Macdonald): Analiticamente tratáveis, mas carecem da complexidade biológica (imunidade adquirida, risco por idade, heterogeneidade) necessária para políticas matizadas.
2. Modelos complexos baseados em indivíduos (ex: EMOD, OpenMalaria): Ricos em detalhes biológicos, mas computacionalmente caros e frequentemente não diferenciáveis. Isso limita sua utilidade em otimização consciente da incerteza, forçando analistas a depender de varreduras de cenários ou análise de sensibilidade local em vez de uma propagação posterior completa.

O principal gargalo é que modelos capazes de calibração bayesiana rigorosa e otimização contínua com restrições são frequentemente muito grosseiros, enquanto modelos com representações biológicas sofisticadas são difíceis de ajustar e integrar em ciclos de decisão que devem considerar a incerteza na biologia do vetor, eficácia das intervenções e custos.

Metodologia

O Modelo DELENDA

O DELENDA é um modelo compartimentado estruturado e determinístico projetado para preencher essa lacuna. Ele rastreia a massa populacional através de quatro eixos biológicos principais sem simular históricos individuais:

• Idade: 11 faixas abrangendo de 0 a 75 anos.
• Heterogeneidade de risco de picada: 5 estratos derivados de uma distribuição exponencial.
• Imunidade: Discretizada em 10 níveis.
• Multiplicidade de Infecção (MOI): Até 15 infecções simultâneas.

A dimensão do estado humano é de $5 \times 11 \times 10 \times 16 = 8.800$ compartimentos. O modelo acopla este subsistema humano a um subsistema vetorial sazonal (larvas, suscetíveis, expostos e mosquitos infectados).

Implementação Diferenciável

O modelo é implementado inteiramente em JAX, tornando a simulação direta (forward simulation) diferenciável de ponta a ponta.

• Solver: Utiliza uma atualização de Euler-exponencial com correções de conservação de massa para estabilidade.
• Gradientes: Emprega um método adjunto de primeira ordem de produto vetor-Jacobiano (VJP) customizado para integração de EDO, permitindo diferenciação de modo reverso através do solver.
• Fluxo de Trabalho: A mesma função compilada é usada para:
  1. Calibração Posterior: Usando gradientes para ajuste baseado em verossimilhança.
  2. Otimização de Decisão: Usando gradientes para otimização contínua com restrições sobre a cobertura de intervenções.

Calibração e Inferência

• Dados: Calibrado conjuntamente para oito locais: cinco locais transversais (Tanzânia, Senegal, Quênia) e três aldeias pré-intervenção do Projeto Garki (Nigéria). Os dados incluem prevalência estratificada por idade e incidência clínica.
• Verossimilhança: Utiliza beta-binomial para prevalência e negativa-binomial para incidência.
• Inferência: Utiliza Inferência Variacional Estocástica (SVI) para inicialização e um amostrador No-U-Turn Sampler (NUTS) para a posterior final. A posterior consiste de 38 parâmetros (30 parâmetros de história natural/observação compartilhados e 8 ajustes de EIR específicos por local).

Estrutura de Análise de Decisão

O framework otimiza a cobertura contínua ($\theta_{int} \in [0, 0.9]^4$) para ITNs, SMC, IRS e vacinação pediátrica.

• Propagação de Incerteza: A análise propaga a incerteza de quatro fontes:
  1. A posterior calibrada (incerteza biológica).
  2. Priors de biologia vetorial (condicionais ao EIR observado).
  3. Priors de eficácia da intervenção.
  4. Priors de custo (custos equivalentes a residentes com overhead convexo).
• Condicionamento: Para isolar a incerteza do vetor, o modelo condiciona em uma Taxa de Inoculação Entomológica (EIR) alvo, resolvendo pela amplitude de recrutamento larval ($K_{wet}$) para cada desenho de posterior/vetor.
• Otimização: Resolve $\max_{\theta_{int}} E[\Delta Y]$ sujeito a restrições de orçamento ($\rho[C] \le B$), onde $\Delta Y$ é os casos evitados. Três regras de orçamento são testadas: Custo Esperado, Percentil 90 ($q_{90}$) e Valor em Risco Condicional ($CVaR_{90}$).

Principais Resultados

1. Desempenho da Calibração

A posterior NUTS reproduz com sucesso a prevalência estratificada por idade e a incidência clínica através de uma ampla gama de EIR (13 a 329) e coincide com as metas de infectividade do Projeto Garki. A posterior estreita os parâmetros de escala central enquanto deixa alguns parâmetros de forma e maturação fracamente informados, fornecendo uma distribuição de incerteza realista.

2. Classificação de Intervenções e Robustez

Em um cenário de transmissão altamente sazonal (modelado após Dapelogo, Burkina Faso), a classificação otimizada das intervenções é robusta à incerteza:

• ITNs são priorizadas primeiro, atingindo 90% de cobertura em orçamentos de \3–\5.
• SMC satura rapidamente para objetivos de menores de cinco anos.
• Vacinas entram em orçamentos moderados.
• IRS aparece posteriormente como um adicional de alto custo.
• Impacto da Incerteza: Adicionar incerteza de posterior, vetor, eficácia e custo altera apenas modestamente o mix de cobertura otimizado (deslocamento médio L1 < 0,05). No entanto, amplia substancialmente a distribuição dos casos projetados evitados (desvio padrão de 6,5–7,3 pontos percentuais).

3. Sensibilidade do Objetivo

A escolha da função objetivo impulsiona mudanças qualitativas maiores do que a incerteza:

• Otimização para menores de cinco anos: Prioriza SMC e vacinação mais cedo.
• Otimização para todas as idades: Adia a vacinação e favorece o IRS, que protege a população mais ampla via mortalidade vetorial.

4. Incerteza de Custo e Regras de Orçamento

A incerteza de custo atua primariamente como um problema do lado das restrições:

• Otimização de custo esperado leva a uma alta probabilidade (42–52%) de excessos de orçamento.
• Regras de risco de cauda ($q_{90}$ e $CVaR_{90}$): Estas regras reduzem significativamente a probabilidade de excesso (para ~10% e ~4,5%, respectivamente), mas exigem sacrificar o impacto esperado (redução de 8–11% nos casos evitados). Este trade-off permite que programas quantifiquem a "margem operacional" necessária para a segurança do orçamento.

Significância e Alegações

O artigo posiciona o DELENDA não como um substituto para simuladores baseados em indivíduos em todos os contextos, mas como uma ferramenta especializada para problemas de alocação ao nível populacional onde o alvo de decisão é um fardo agregado.

• Diferenciabilidade como Facilitador de Fluxo de Trabalho: A principal contribuição é arquitetônica. Ao tornar o modelo compartimentado diferenciável, o DELENDA permite inferência bayesiana eficiente e otimização contínua com restrições. Isso permite que todo o espaço de parâmetros biológicos seja exposto à calibração posterior e levado para a otimização de decisão, uma tarefa difícil com modelos não diferenciáveis.
• Abordagem Focada na Incerteza: O framework demonstra que, para muitas questões de ajuste subnacional, a classificação das intervenções é mais robusta do que o impacto projetado. O valor da abordagem reside em quantificar a largura da distribuição de impacto em torno de um portfólio ótimo estável, em vez de mudar constantemente o portfólio em si.
• Relevância Operacional: Os autores afirmam que os resultados são um "prova de conceito" e um "estudo de caso metodológico" em vez de uma recomendação pronta para implementação em um distrito específico, observando que o uso operacional exigiria entradas locais para custos, resistência e restrições de implementação.